Buduj z CometAPIPotrzebujesz jednego API dla wielu modeli?Przetestuj proces w Playground, a potem utwórz klucz API, gdy model i koszt pasują do Twojego zastosowania.
Użyj Hy4 Flash poprzez CometAPI z przykładami w Pythonie dla tekstu, strumieniowania, obrazów, wyodrębniania JSON i wywoływania narzędzi, a także z poradami dotyczącymi obsługi błędów i rozliczeń.
Hy4 flash firmy Tencent (wydany 16 listopada 2026) to najbardziej opłacalny kosztowo model w rodzinie Hy (Hunyuan). Ma łącznie 224 miliardy parametrów (w tym 64B Engram), ale aktywuje tylko 12B na token, oferuje natywne wsparcie multimodalne (tekst + obraz) oraz pełne okno kontekstu 1 miliona tokenów, a jego cena to około $0.070 za wejście / $0.281 za wyjście / $0.003 za cache na milion tokenów. Na wewnętrznym WorkIndex firmy Tencent dla codziennych zadań biurowych osiąga około 1/13 kosztu Hy4 Preview i 1/20 kosztu pełnego Hy4, przy jakości dorównującej lub nieco przewyższającej Preview i zbliżającej się do Claude Haiku 5.5 w ślepym badaniu satysfakcji użytkowników.
Do pracy o dużej skali jest to jedna z najsilniejszych propozycji wartości dostępnych obecnie. CometAPI oferuje najprostszy, zgodny z OpenAI sposób wywołania Hy4 flash obok Claude, GPT i innych modeli pod jednym kluczem.
Key Takeaways
Release date: 16 listopada 2026 (API + produkty); wkrótce potem udostępniono otwarte wagi.
Architecture: 224B łącznie (64B Engram) / 12B aktywne, hybrydowa atencja + LatentMoE, zaprojektowany pod kątem ekstremalnej wydajności i długiego kontekstu.
Performance focus: Codzienne agenty biurowe (slajdy, dokumenty, arkusze, wyszukiwanie, rozumienie wizualne, lekka obsługa komputera). Silny stosunek koszt/zadanie i szybkość; pełny Hy4 pozostaje lepszy dla długohoryzontowego inżynierii oprogramowania.
Availability: Tencent Cloud TokenHub (hy4-flash), WorkBuddy (bezpłatny do 30 listopada), Yuanbao, WeCom, QQ, ima, Marvis, OpenRouter; otwarte wagi na Hugging Face / ModelScope / GitCode.
Best use cases: Automatyzacja produktywności na dużą skalę, gdzie koszt i opóźnienie są ważniejsze niż absolutna inteligencja z najwyższej półki.
Recommendation: Kieruj rutynową pracę do Hy4 flash, a złożone kodowanie/agenty do Hy4 lub modeli klasy Claude Opus poprzez ujednoliconą bramę, taką jak CometAPI.
What Exactly Is Hy4 Flash?
Hy4 flash to członek generacji Hy4 firmy Tencent skupiony na efektywności. Podczas gdy pełny Hy4 (wydany wcześniej w listopadzie 2026) celuje w maksymalne możliwości, Hy4 flash jest celowo inżynierowany pod najwyższą jakość za dolara przy powtarzalnych, multimodalnych, długokontekstowych obciążeniach dominujących w realnych biurowych i agentowych pipeline’ach.
Core specifications (official):
Total parameters: 224B (w tym 64B Engram — tablica pamięci n-gramów)
Active parameters per token: 12B
Context window: 1,048,576 tokenów
Modalities: wejście tekst + obraz → wyjście tekstowe
Natywne wsparcie wywoływania funkcji, strukturalnego JSON i użycia narzędzi
Projekt dziedziczy i udoskonala techniki zaprezentowane we wcześniejszych modelach Hy: hybrydową atencję rzadką/przesuwną (sliding window), ekspertów LatentMoE działających w skompresowanej przestrzeni latentnej oraz dużą tablicę Engram, która zastępuje gęste obliczenia odwołaniami do pamięci. Rezultatem jest dramatycznie mniejszy cache KV (zgłaszany jako 1/6 Hy4 i 1/24 Hy3) oraz znacznie niższy koszt serwowania w skali.
How Hy4 flash work
Tencent zoptymalizował Hy4 flash wokół trzech filarów:
Sparse efficiency: Tylko 12B parametrów aktywuje się na token. Model używa 512 kierowanych ekspertów (16 aktywnych) plus ekspertów współdzielonych w większości warstw, w połączeniu z hybrydową atencją, która przeplata selekcję rzadką (do ~2k tokenów) z krótkimi oknami przesuwnymi.
Engram memory: 64B-parametrowa tablica n-gramów (bigramy/trigramy) pobierana przez hash. Ten zewnętrzny magazyn wiedzy zmniejsza potrzebę, by gęsta sieć zapamiętywała częste wzorce, ograniczając koszty treningu i inferencji.
Serving stack: Megakernely, 4-bitowa kwantyzacja i mały drafter spekulatywny DFly2 umożliwiają deklarowane >150 tok/s i utrzymują niskie opóźnienie nawet przy wysokiej współbieżności.
Te wybory czynią Hy4 flash szczególnie dopasowanym do długich dokumentów, wielotaktowych pętli agentów z intensywnym cache’owaniem promptów oraz multimodalnych zadań biurowych, w których model musi wielokrotnie czytać obrazy, wykresy lub duże pliki.
Pricing and Cost-Per-Task Reality
Oficjalny cennik na Tencent Cloud TokenHub (ekwiwalent USD):
Token type
Hy4 flash
Full Hy4
Approximate ratio
Cached input
$0.003
$0.042
~1/14
Input
$0.070
$0.834
~1/12
Output
$0.281
$2.501
~1/9
Do 30 listopada 2026 TokenHub oferuje 50% zniżki od cen katalogowych, a dostęp do WorkBuddy jest bezpłatny.
Ważniejszy niż cena katalogowa jest koszt na ukończone zadanie. Na wewnętrznym WorkIndex firmy Tencent (tworzenie/edycja prezentacji PowerPoint, edycja dokumentów, naprawa arkuszy, przetwarzanie audio/wideo, rozumienie wizualne, itp.):
Evaluation
Reported result
Decoding speed
Over 150 tokens/second
Overall performance
Slightly better than Hy4 Preview, according to Tencent
WorkIndex task cost vs Hy4 Preview
Approximately 1/13
WorkIndex task cost vs Hy4
Approximately 1/20
WorkIndex task cost vs DeepSeek-V4.1-Flash-1017
Approximately 1/8
Output length reduction
Approximately 50% through reinforcement learning
How to interpret these results
WorkIndex to wewnętrzny benchmark Tencent zbudowany wokół typowych zadań produktywności WorkBuddy. Uwzględnia jakość wyjścia, długość wyjścia i całkowity czas ukończenia.
Zgłaszane proporcje kosztów są szczególnie ważne:
W porównaniu z Hy4 Preview, Hy4 Flash podobno redukuje koszty zadań o około 92,3%.
W porównaniu z Hy4, podobno redukuje koszty zadań o około 95%.
W porównaniu z DeepSeek-V4.1-Flash-1017, podobno redukuje koszty zadań o około 87,5%.
To wewnętrzne porównania kosztów zadań, a nie standaryzowane poprawy dokładności benchmarków. Nie należy ich przedstawiać jako bezpośredniego dowodu, że Hy4 Flash jest 13 lub 20 razy bardziej inteligentny lub szybszy.
W ślepym badaniu 85 wewnętrznych użytkowników WorkBuddy na 259 zadaniach w 27 kategoriach Hy4 flash dostarczył wyniki satysfakcji użytkowników niemal identyczne jak Claude Haiku 5.5, jednocześnie notując najniższy koszt i najkrótszy całkowity czas ukończenia spośród wszystkich testowanych modeli.
Hy4 Flash Performance Benchmarks
Tencent publikuje zarówno publiczne benchmarki agentów, jak i wewnętrzny WorkIndex. Reprezentatywne, samodzielnie raportowane liczby (najwyższe ustawienie rozumowania):
Benchmark
Hy4 flash
Full Hy4
Notes
DeepSWE v1.1
64.6
74.9
Mocny, ale ustępuje flagowemu
Terminal-Bench 4.0
19.2
44.4
Wyraźna luka przy ciężkiej pracy w terminalu
OSWorld 2.1 (partial)
68.1
78.9
Konkurencyjny w obsłudze komputera
APEX-Agents
63.1
75.2
Solidny wynik agenta
WorkIndex (internal)
42.1
51.4
Najlepszy kompromis koszt/jakość
How to Use Hy4 Flash
1. Via Tencent products (easiest for Chinese users / WorkBuddy)
Otwórz WorkBuddy → wybierz Hy4 flash (bezpłatny do 30 listopada).
Dostępny w Yuanbao, asystencie AI WeCom, QQ, ima, Marvis.
2. Via Tencent Cloud TokenHub API
Model ID: hy4-flash
Standardowy punkt końcowy Chat Completions zgodny z OpenAI. Cache’owanie promptów jest wspierane i wysoce zalecane dla wielotaktowych pętli lub agentów.
3. Via CometAPI
Slug modelu zazwyczaj hy4-flash. Ceny pozostają wyjątkowo konkurencyjne. Obsługiwane są wywoływanie funkcji i strukturalne wyniki.
4. Local / self-hosted (open weights)
Wagi dla modeli instruct, FP8 i base są dostępne na Hugging Face, ModelScope i GitCode na licencji Tencent Hy. Istnieją oficjalne obrazy vLLM i SGLang; wsparcie dla llama.cpp było jeszcze w fazie dojrzewania w połowie listopada 2026. Wymagania sprzętowe są znaczne (setki GB dla pełnej precyzji; wersje kwantyzowane są bardziej praktyczne).
Practical tips for best results
Zawsze włączaj cache’owanie promptów przy powtarzanych promptach systemowych lub długich dokumentach.
Używaj modelu do zadań, gdzie długość wyjścia jest umiarkowana — nacisk po szkoleniu na zwięzłe odpowiedzi pomaga utrzymać koszty nisko.
W pipeline’ach hybrydowych kieruj proste/średnie zadania do Hy4 flash, a trudne zadania programistyczne lub badawcze eskaluj do pełnego Hy4 lub mocniejszego modelu zamkniętego.
Multimodalność: podawaj zrzuty ekranu, wykresy lub PDF-y bezpośrednio; enkoder wizji jest gotowy produkcyjnie do zastosowań biurowych.
What Do You Need Before Calling the Hy4 Flash API?
Użyj Pythona 3.10 lub nowszego i trzymaj poniższe pliki w jednym folderze projektu. Interfejs CometAPI Chat Completions używa OpenAI Python SDK z kluczem i endpointem CometAPI. SDK to biblioteka klienta; Hy4 Flash to model obsługujący żądanie.
Prepare your account and API key
Zanim zaczniesz, przygotuj Python 3.10 lub nowszy, pip, konto CometAPI z dostępem do Hy4 Flash i dostępnym kredytem oraz połączenie z endpointem API. Trzymaj wszystkie przykładowe pliki w jednym folderze projektu.
Utwórz konto na CometAPI, otwórz konsolę API i wygeneruj klucz API.
Wybierz polecenie dla swojego terminala i zamień YOUR_COMETAPI_KEY na swój klucz. Uruchamiaj późniejsze polecenia w tej samej sesji terminala.
Uruchamiaj pozostałe polecenia w tej sameej sesji terminala. Jeśli używasz wirtualnego środowiska, aktywuj je przed instalacją SDK.
How to Use the Hy4 Flash API with Python
Zacznij od krótkiego żądania tekstowego. Skonfigurujesz klienta, wyślesz zgłoszenie wsparcia i sprawdzisz zwróconą klasyfikację zanim dodasz strumieniowanie, obrazy lub narzędzia.
Step 1: Configure the model and client
Zapisz poniższe jako hy4_client.py. Każdy przykład poniżej importuje tego klienta, więc musisz skonfigurować klucz, endpoint, timeout i politykę ponowień tylko raz.
import os
from openai import OpenAI
MODEL = "hy4-flash"
client = OpenAI(
api_key=os.environ["COMETAPI_KEY"],
base_url="https://api.cometapi.com/v1",
timeout=120.0,
max_retries=2,
)
Step 2: Send a text request
Zapisz to jako first_request.py. Wysyła małe zadanie klasyfikacyjne i drukuje odpowiedź, status ukończenia i szczegóły użycia. Zwrócona odpowiedź potwierdza połączenie zanim dodasz obrazy lub narzędzia.
from hy4_client import client, MODEL
response = client.chat.completions.create(
model=MODEL,
messages=[
{"role": "system", "content": "Classify tickets as billing, bug, or feature."},
{"role": "user", "content": "I was charged twice for my subscription."},
],
)
choice = response.choices[0]
print(choice.message.content or "")
print("Finish reason:", choice.finish_reason)
if response.usage:
print("Usage:", response.usage.model_dump())
Step 3: Run the script and check the result
python first_request.py
Uruchom python first_request.py z folderu projektu. Udany wynik identyfikuje zgłoszenie jako problem rozliczeniowy, raportuje stop jako finish reason i zawiera użycie tokenów, o ile jest dostarczone przez usługę. Jeśli odpowiedź jest pusta lub żądanie się nie powiedzie, skorzystaj z sekcji rozwiązywania problemów zanim dodasz kolejną funkcję.
Extend the first request when needed
Capability
Change to the request
What to check
Streaming
Ustaw stream=True; czytaj delta.content każdego fragmentu.
Pomijaj puste zdarzenia i sprawdź finish_reason, zanim uznasz odpowiedź za kompletną.
Image input
Wyślij tekst i element image_url, używając dostępnego URL lub poprawnie oznaczonego base64 data URL.
Użyj czytelnego obrazu i pytaj o konkretne etykiety lub regiony.
JSON extraction
Zażądaj pól explicite i ustaw response_format na {"type":"json_object"}.
Parsuj wynik, waliduj nazwy pól i typy, sprawdzaj wartości względem źródła.
Add a tool only when external information is needed
Zdefiniuj dozwoloną funkcję i jej schemat argumentów w tools. Gdy model o nią poprosi, zachowaj wiadomość assistant, zweryfikuj argumenty i dostęp użytkownika, a następnie wykonaj funkcję w backendzie. Dołącz wynik z pasującym tool_call_id i wyślij zaktualizowane messages ponownie, aby uzyskać finalną odpowiedź. Ogranicz dodatkowe rundy narzędzi; model może też odpowiedzieć bez wywołania narzędzia.
Connect the application and handle failures
Trzymaj klucz API w backendzie. Uwierzytelnij użytkownika, nałóż limity użycia i zwróć odpowiedź lub strumieniuj do interfejsu. Rejestruj status ukończenia i rozliczone użycie bez logowania kluczy ani prywatnych danych wejściowych.
Dla 401/403 sprawdź poświadczenia i dostęp; dla 400 uprość żądanie; dla 429 lub tymczasowych błędów serwera używaj ograniczonych ponowień i backoff. Oznaczaj ucięte lub przerwane odpowiedzi jako niekompletne. Współdzielony klient już używa timeoutu 120 sekund i dwóch ponowień SDK, więc unikaj nieograniczonej pętli retry.
How to Add Tools to a Hy4 Flash Agent
Aplikacja z narzędziami wysyła definicje funkcji, otrzymuje żądane przez model wywołanie, wykonuje dozwoloną funkcję i zwraca wynik z pasującym tool_call_id. Chat Completions tool-calling flow zachowuje wiadomość assistant przed dołączeniem wyników narzędzi.
Dla wyszukiwania klienta podstawowa sekwencja to: zdefiniuj funkcję get_customer_info w tools, z customer_id jako wymaganym stringiem. Pozwól modelowi o nią poprosić, uruchom ją w swojej aplikacji i zwróć wynik, aby model mógł odpowiedzieć. Model proponuje wywołanie; twoja aplikacja kontroluje wykonanie.
Define the lookup. Opisz get_customer_info w tools, z customer_id jako wymaganym stringiem. Implementację trzymaj w backendzie.
Ask the model. Wyślij pytanie użytkownika, messages i tools z tool_choice="auto". Jeśli model odpowie bezpośrednio, sprawdź status ukończenia i wyświetl odpowiedź.
Handle a requested call. Zachowaj wiadomość assistant, zweryfikuj nazwę funkcji i argumenty JSON oraz sprawdź dostęp, zanim uruchomisz wyszukiwanie. Dodaj każdy wynik jako wiadomość tool z pasującym tool_call_id.
Finish the response. Wyślij zaktualizowane messages z powrotem do modelu. Dla fikcyjnego rekordu użytego tutaj finalna odpowiedź powinna wskazać, że klient 10086 ma plan Pro i status active. Ogranicz dodatkowe rundy narzędzi.
Wynik wyszukiwania powinien prowadzić do odpowiedzi identyfikującej plan Pro i status active. Zastępując lokalny słownik prawdziwą usługą, sprawdź uprawnienia zalogowanego użytkownika przed zwróceniem rekordu klienta. Dodaj stabilny operation ID, zanim wprowadzisz narzędzia tworzące lub modyfikujące rekordy.
Hy4 Flash jest kompatybilny z protokołami OpenAI Chat Completions, OpenAI Responses i Anthropic Messages.
Hy4 Flash API Price
Porównuj osobno stawki dla niecache’owanego wejścia, wyjścia i trafień cache. Poniższa tabela używa CNY za milion tokenów z strony cen Tencent i tabeli porównawczej CNY na stronie CometAPI Hy4 Flash, sprawdzonych 17 listopada 2026. Promocja startowa Tencent 50% dotyczy użycia przed 30 listopada 2026 o 12:00 czasu pekińskiego.
Usage per 1M tokens
Tencent list (CNY)
Tencent launch (CNY)
CometAPI CNY table*
Uncached input
¥0.50
¥0.25
¥0.40
Output
¥2.00
¥1.00
¥1.60
Cached input
¥0.02
¥0.01
¥0.016
Dla 100 milionów niecache’owanych tokenów wejściowych i 10 milionów tokenów wyjściowych, suma według cennika Tencent to ¥70; według cen startowych to ¥35. Załączaj okres rozliczeniowy i podstawę ceny do każdego oszacowania.
Dla 100 million uncached input tokens and 10 million output tokens, ten sam workload daje:
Tencent list: 100 × ¥0.50 + 10 × ¥2.00 = ¥70.
Tencent launch: 100 × ¥0.25 + 10 × ¥1.00 = ¥35.
CometAPI, using its CNY table: 100 × ¥0.40 + 10 × ¥1.60 = ¥56, uzależnione od tego, czy te stawki CNY dotyczą twojego konta.
Na tej podstawie CNY CometAPI jest o ¥14 poniżej przykładu z cennika Tencent, ale o ¥21 powyżej przykładu z ceną startową Tencent. Reklamowana 20% zniżka jest względem ceny katalogowej; nie łączy się z 50% promocją Tencent. Jeśli twoje konto CometAPI zamiast tego rozlicza te stawki liczbowo w USD, to ten sam rachunek wynosi $56, co nie jest ofertą ¥56.
Best Use Cases for Hy4 Flash
Use case
Why Hy4 Flash fits
High-volume AI agents
Niższe zgłaszane koszty zadań i wywoływanie funkcji
Coding assistants
Długi kontekst, rozumowanie i integracja narzędzi
Document processing
Duży kontekst i rozumienie obrazu
Enterprise productivity
Strukturalne wyniki i wykonanie workflow
Data extraction
Przetwarzanie z długim kontekstem i wyjście JSON
Multimodal assistants
Wejścia tekstowe i obrazowe
Automated research
Wieloetapowe rozumowanie i wywoływanie narzędzi zewnętrznych
Overall recommendation: Hy4 Flash jest szczególnie atrakcyjny dla deweloperów, którzy muszą wdrażać agentów AI zdolnych do rozumowania na skalę, bez ponoszenia kosztów inferencji modeli flagowych przy każdym żądaniu.
Conclusion
Hy4 Flash warto ocenić, gdy codzienne kodowanie, praca nad dokumentami lub zadania agentów wymagają ekonomicznego modelu z obsługą tekstu, obrazu i narzędzi. Zacznij od jednego działającego żądania, a potem dodaj funkcję, której potrzebuje twoje zadanie. Niech o przynależności do twojej aplikacji decydują jakość i koszt ukończonej pracy — a nie rozmiar modelu czy nagłówkowe tempo tokenów.
FAQ
How should Hy4 Flash handle scanned PDFs?
Konwertuj odpowiednie strony PDF na czytelne obrazy i prześlij je przez image input, lub wyodrębnij czytelny tekst przed wykonaniem żądania tekstowego. Zachowaj numery stron przy każdym fragmencie i proś o dowody obok wyodrębnionych wartości. Dziel długie dokumenty na sekcje, aby odpowiedź była możliwa do powiązania z zarządzalnym źródłem, zamiast wysyłania całego archiwum w jednym żądaniu.
How should I save Hy4 Flash conversation history?
Przechowuj wiadomości, których twoja aplikacja potrzebuje do wznowienia rozmowy, w tym wywołania narzędzi przez assistant i ich sparowane wyniki narzędzi. Wyślij odpowiednią historię z następnym żądaniem Chat Completions. Przed przycięciem starszych treści zachowaj bieżące zadanie, kluczowe fakty i nierozwiązane działania; nie oddzielaj oczekującego wywołania narzędzia od jego wyniku.
How do I prepare a Hy4 Flash batch job?
Uruchom małą próbkę zawierającą typowe wejścia i znane przypadki błędów. Przypisz każdej pozycji stabilny ID i zapisuj jej status, zweryfikowany wynik i użycie oddzielnie. Ogranicz liczbę współbieżnych żądań, ponawiaj tylko nieudane pozycje w ramach stałego budżetu i uzgadniaj ukończone ID przed ponownym uruchomieniem zadania. To czyni częściowe awarie odzyskiwalnymi bez powtarzania całej partii.
Is Hy4 flash open source?
Tak. Wagi instruct, FP8 i base zostały wydane na licencji Tencent Hy i są dostępne na głównych hubach modeli.
How does it compare to Claude Haiku 5.5?
W ślepych wewnętrznych testach Tencent dorównał poziomowi satysfakcji Haiku przy znacznie niższym koszcie i krótszych czasach ukończenia na zadaniach biurowych. Niezależne benchmarki długohoryzontowego kodowania nadal faworyzują mocniejsze modele.